專利名稱：模擬視覺(jué)細(xì)胞感受野特性的pcnn人臉圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理領(lǐng)域，尤其涉及一種模擬視覺(jué)細(xì)胞感受野特性的脈沖耦合神經(jīng)網(wǎng)絡(luò)(IG-PCNN)的殘疾人人臉圖像分割方法。
背景技術(shù)：
作為人類最重要的外部特征，人臉圖像的檢測(cè)和識(shí)別技術(shù)日益成為人工智能領(lǐng)域中的研究熱點(diǎn)，其在國(guó)家安全、公安民政、金融海關(guān)、保險(xiǎn)等領(lǐng)域具有極為廣闊的應(yīng)用前景，然而不論人臉檢測(cè)還是識(shí)別(檢測(cè)是確定人臉的存在，以及確定圖像中人臉的位置。識(shí)別是在檢測(cè)的基礎(chǔ)上識(shí)別出人臉)，都要做人臉圖像的分割，這是圖像處理的第一步，分割的好壞對(duì)特征提取和識(shí)別具有關(guān)鍵性作用。因此，人臉圖像分割是人臉圖像檢測(cè)和識(shí)別領(lǐng)域中的基本問(wèn)題，是目標(biāo)特征提取、識(shí)別與跟蹤的基礎(chǔ)。
目前存在的人臉?lè)指睢z測(cè)、識(shí)別算法都是針對(duì)正常人的人臉。主要的方法有基于膚色的人臉檢測(cè)，基于虹膜的人臉檢測(cè)與識(shí)別，Harr特征的人臉檢測(cè)、膚色及Adaboost的人臉檢測(cè)、支持向量機(jī)核函數(shù)的人臉檢測(cè)、小波變換提取特征的人臉檢測(cè)與識(shí)別等算法。由于殘疾人的臉部具有獨(dú)特的特征，目前的人臉圖像檢測(cè)與識(shí)別算法不適用這類特殊的人群，比如殘疾人中盲人的眼睛區(qū)域沒(méi)有正常人眼睛處灰度變化豐富，因此用眼睛區(qū)域定位比較困難，眼睛區(qū)域會(huì)跟人臉的其它區(qū)域粘連，給后期的特征提取造成困難。面部有傷的殘疾人，傷疤可以作為很好的識(shí)別特征，因此，如何最大限度體現(xiàn)傷疤區(qū)域與完好臉部區(qū)域的區(qū)別，將傷疤區(qū)域完整地分割出來(lái)，且不與其相鄰?fù)旰媚槻繀^(qū)域粘連是現(xiàn)有的圖像分割方法所面臨的挑戰(zhàn)。同時(shí)，精神殘疾人臉部表情變化大，面部五官由于抽搐會(huì)很接近，需要將面部五官分割成獨(dú)立的區(qū)域，為后續(xù)特征提取奠定基礎(chǔ)，降低識(shí)別的難度。因此，本發(fā)明提出針對(duì)殘疾人人臉的圖像分割算法。生物視覺(jué)始終是圖像處理領(lǐng)域研究的熱點(diǎn)，基于脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)的圖像分割方法具有突出的優(yōu)良特性變閾值特性、非線性調(diào)制特性、同步脈沖發(fā)放及神經(jīng)元捕獲特性、動(dòng)態(tài)脈沖發(fā)放及自動(dòng)波特性等。由于上述神經(jīng)元模型是基于哺乳動(dòng)物視覺(jué)皮層神經(jīng)元活動(dòng)提出的，基于PCNN的人臉圖像分割方法完全依賴于圖像的自然屬性，不用預(yù)先選擇處理的空間范圍，是一種更自然的分割方式。通過(guò)調(diào)節(jié)神經(jīng)元的連接強(qiáng)度，可方便地對(duì)圖像進(jìn)行不同層次的分割且分割速度很快。該方法在圖像處理特別是圖像分割方面存在較強(qiáng)的優(yōu)勢(shì)。如圖I所示，傳統(tǒng)的PCNN模型中單個(gè)神經(jīng)元由反饋輸入域、耦合連接域和脈沖發(fā)生器三部分組成，最終形成一個(gè)單層的、二維橫向連接的神經(jīng)網(wǎng)絡(luò)。神經(jīng)元的激發(fā)受其鄰域內(nèi)神經(jīng)元的影響，影響的范圍和程度由連接系數(shù)矩陣表示。PCNN模型中有兩個(gè)連接系數(shù)矩陣Mijkl和Wijkl,它們都表示中心神經(jīng)元受周圍神經(jīng)元影響的大小，反映鄰近神經(jīng)元對(duì)中心神經(jīng)元傳遞信息的強(qiáng)弱。其中Wijkl位于PCNN的耦合連接域，主要表示神經(jīng)網(wǎng)絡(luò)內(nèi)部中心神經(jīng)元與相鄰神經(jīng)元的連接強(qiáng)度。Mijkl位于PCNN的反饋輸入域，主要功能是獲取神經(jīng)元外部灰度信息，突出外部神經(jīng)元對(duì)中心神經(jīng)元的影響。
目前與PCNN模型相關(guān)的文獻(xiàn)普遍認(rèn)為Mukl和Wukl的作用是一樣的，在數(shù)值上是相等的。尤其在簡(jiǎn)化PCNN模型中，反饋輸入域連接矩陣Mijkl的功能被進(jìn)一步弱化,將反饋輸入域簡(jiǎn)化為中心神經(jīng)元接收的外部激勵(lì)，即F[n] =Sijt5本發(fā)明通過(guò)對(duì)PCNN模型工作機(jī)理的分析，得出反饋輸入域連接矩陣Mukl是PCNN模型中獲取外部圖像信息的重要結(jié)構(gòu)，其大小直接決定了神經(jīng)元耦合域的范圍，大耦合域的連接系數(shù)矩陣直接影響著自動(dòng)波的傳播速度和傳播的距離，決定了中心神經(jīng)元能否被更遠(yuǎn)的神經(jīng)元所捕獲。但連接矩陣不具有方向性，不能在指定方向上加強(qiáng)中心神經(jīng)元與鄰域神經(jīng)元的聯(lián)系?；谏鲜鲅芯?，本發(fā)明提出一種基于具有感受野特性PCNN模型的殘疾人人臉圖像分割方法。

發(fā)明內(nèi)容
針對(duì)傳統(tǒng)的基于PCNN模型的圖像分割方法所存在的問(wèn)題，本發(fā)明提出了一種具有感受野特性的PCNN模型用于殘疾人人臉圖像的分割方法。 一種模擬視覺(jué)細(xì)胞感受野特性的PCNN人臉圖像分割方法，所述PCNN中的神經(jīng)元包括接收域、調(diào)制域和脈沖發(fā)生器三部分，所述接收域包括反饋接收域和連接接收域，反饋接收域接受圖像灰度值Sij和感受野內(nèi)相鄰神經(jīng)元的輸出脈沖Ykl作為輸入，經(jīng)過(guò)感受野矩陣IG變換輸出Fij作為神經(jīng)元的反饋輸入，連接接收域接受感受野內(nèi)相鄰神經(jīng)元的脈沖輸出YkJt為輸入，經(jīng)過(guò)連接矩陣W變換輸出Lij作為神經(jīng)元的耦合連接輸入，所述方法包括以下步驟a)將采集到的殘疾人人臉圖像由RGB空間轉(zhuǎn)換到HSV空間，提取圖像的亮度通道
信息；b)將亮度通道信息中的每一個(gè)像素作為一個(gè)神經(jīng)元,并將像素的灰度值Sij作為該神經(jīng)元的外部輸入值，其中Sij為歸一化后的像素值；c)確定感受野范圍為以當(dāng)前神經(jīng)元為中心大小為KXL的神經(jīng)元陣列，其中K、L的取值為奇數(shù)，確定維度為KXL的感受野矩陣IG和連接矩陣W，初始化脈沖產(chǎn)生區(qū)的動(dòng)態(tài)門限的初始值、衰減時(shí)間常數(shù)和迭代次數(shù)，其中連接矩陣W由感受野內(nèi)中心神經(jīng)元與相鄰神經(jīng)元的歐幾里德距離平方的倒數(shù)確定；IG采用如下公式確定
(2n\ 「if X2 V2V2)
IG(k,l) = SKxL(k,l)cos —X-sTCp .exp — + ——
lV^ ) L 2Icr- s J. 's... S ... s
A-l . L-I°. K-\ .°. K-I . L-X
I--/----I--7I---/H--
2 2 2 2 2其中，&xi=S"J^ …S"Sij+k~A
2 2
u .尺-I . X-IU . K-I _° . K-I . L-\
I +- I—--/ +- //H--/*|-------
_ '2 2 2 2 2 ,
權(quán)利要求
1.一種模擬視覺(jué)細(xì)胞感受野特性的PCNN人臉圖像分割方法，所述PCNN中的神經(jīng)元包括接收域、調(diào)制域和脈沖發(fā)生器三部分，所述接收域包括反饋接收域和連接接收域，反饋接收域接受圖像灰度值Sij和感受野內(nèi)相鄰神經(jīng)元的輸出脈沖Ykl作為輸入，經(jīng)過(guò)感受野矩陣IG變換輸出Fij作為神經(jīng)元的反饋輸入，連接接收域接受感受野內(nèi)相鄰神經(jīng)元的脈沖輸出Ykl作為輸入，經(jīng)過(guò)連接矩陣W變換輸出Lij作為神經(jīng)元的耦合連接輸入，所述方法包括以下步驟 a)，將采集到的殘疾人人臉圖像由RGB空間轉(zhuǎn)換到HSV空間，提取圖像的亮度通道信息； b)，將亮度通道信息中的每一個(gè)像素作為一個(gè)神經(jīng)元，并將像素的灰度值Sij作為該神經(jīng)元的外部輸入值，其中Sij為歸一化后的像素值； c)，確定感受野范圍為以當(dāng)前神經(jīng)元為中心大小為KXL的神經(jīng)元陣列，其中K，L的取值為奇數(shù)，確定維度為KXL的感受野矩陣IG和連接矩陣W，初始化脈沖產(chǎn)生區(qū)的動(dòng)態(tài)門限的初始值、衰減時(shí)間常數(shù)和迭代次數(shù)，其中連接矩陣W由感受野內(nèi)中心神經(jīng)元與相鄰神經(jīng)元的歐幾里德距離平方的倒數(shù)確定；其中IG采用以下公式確定
2.根據(jù)權(quán)利要求I所述的方法，其特征在于所述最優(yōu)方向0=0°，和最佳尺度K =L = 3。
全文摘要
本發(fā)明涉及一種模擬視覺(jué)細(xì)胞感受野特性的脈沖耦合神經(jīng)網(wǎng)絡(luò)殘疾人人臉?lè)指罘椒?，該方法包括用視覺(jué)細(xì)網(wǎng)胞感受野模型優(yōu)化脈沖耦合神經(jīng)網(wǎng)絡(luò)中反饋域連接矩陣的結(jié)構(gòu)，得到具有方向性和尺度性的脈沖耦合神經(jīng)絡(luò)模型；根據(jù)殘疾人人臉圖像的特點(diǎn)調(diào)整模型參數(shù)；最后將殘疾人人臉圖像的亮度通道信息輸入模型，產(chǎn)生模擬人類視覺(jué)的人臉?lè)指罱Y(jié)果。由于細(xì)胞感受野模型對(duì)連接矩陣的優(yōu)化使脈沖耦合神經(jīng)網(wǎng)絡(luò)具有了方向性和尺度性，提高了分割正確率，對(duì)自然光照下的人臉?lè)指罹哂泻芎玫聂敯粜?。此外，與其他方法相比，本發(fā)明還具有不同圖像內(nèi)容之間分離度好，圖像細(xì)節(jié)保持好，分割速度快等優(yōu)點(diǎn)。
文檔編號(hào)G06N3/02GK102682297SQ20121013733
公開(kāi)日2012年9月19日 申請(qǐng)日期2012年5月7日 優(yōu)先權(quán)日2012年5月7日
發(fā)明者楊娜, 王浩全 申請(qǐng)人:中北大學(xué)